Académique Documents
Professionnel Documents
Culture Documents
Conceptos de Probabilidades
92 Simulacin de Sistemas
Captulo 3
Conceptos de Probabilidades
3.1 Introduccin
Los sistemas con los que se trabajan estn compuestos en general, de uno o ms elementos
que tienen una incertidumbre asociada a ellos, debido a que se desarrollan a travs del tiempo,
en una forma que no es completamente predecible. A este tipo de sistemas se les conoce
como sistemas estocsticos o con comportamiento no determinstico.
Este captulo revisa una serie de conceptos probabilsticos que son muy importantes y que
tienen que ver con comportamientos aleatorios. Primeramente, se presentan una serie de
definiciones para luego repasar algunos patrones aleatorios comunes conocidos como
distribuciones probabilsticas. Si se desea ahondar en algunos de los temas aqu presentados,
entonces se recomienda recurrir a un libro de probabilidades.
3.2 Definiciones
El espacio muestral es el conjunto universal de un experimento formado por todos los posibles
resultados de una poblacin1. Cada uno de los resultados de un espacio muestral se denomina
elemento o miembro del espacio muestral o, en forma ms simple, punto muestral.
Ejemplo:
Solucin:
= {(1,1);(1,2);(1,3);(1,4);(1,5);(1.6);(2,2);(2,3);(2,4);(2,5);(2,6);(3,3);(3,4);(3,5);(3,6);
(4,4;(4,5);(4,6);(5,5);(5,6);(6,6)}
Ejemplo:
Solucin:
= {defectuosa, no defectuosa}
Ejemplo:
Tirar una moneda 10 veces al aire y anotar la cantidad de veces que cay cara.
Solucin:
= {0,1,2,...,10}
3.2.2 Experimento
En toda repeticin nica del experimento, slo ocurrir uno y slo uno de los resultados
experimentales posibles. A continuacin vemos algunos ejemplos de experimentos y sus
resultados asociados:
Ejemplos:
3.2.3 Conjunto
Ejemplo:
Los habitantes de San Jos, las estaciones de ferrocarril de Espaa, los ros de
frica, las farmacias del Estado de Jalisco son ejemplos de conjuntos.
Ejemplo:
Solucin:
Ejemplo:
El resultado de tirar dos dados al aire y que salga una suma de 12 puntos.
Solucin:
Ejemplo:
Solucin:
E = {(1,1);(1,3);(1,5);(2,2);(2,4);(2,6);(3,3);(3,5);(4,4);(4,6);(5,5);(6,6)}
Se denota con .
Dado un evento A, el complemento de A se define como el evento formado por todos los
puntos muestrales que no estn en A.
P(E)= 1 - P()
96 Simulacin de Sistemas
Ejemplo:
Evento E = {2,4,6}
Ejemplo:
Solucin:
P(E) = 1 - P()
= 1 - 0.8
= 0.2
Podemos combinar diferentes eventos para formar nuestros eventos, utilizando las diferentes
operaciones en conjunto.
Espacio
Interseccin de los Eventos A y B muestral
Evento A Evento B
rea de traslape: A B
Ejemplo:
Solucin:
Se toman los nmeros que se repiten en A y B, los cuales son los nmeros 4 y 6.
Ejemplo:
X Y X Y = {Pablo, Pedro}
Sea P el evento de que una persona elegida al azar de entre las que cenan en una
cafetera es un ingeniero y sea Q el evento de que la persona tenga ms de 65 aos.
Solucin:
98 Simulacin de Sistemas
Evento A Evento
rea de unin: A B
Observe que los dos crculos contienen todos los puntos muestrales del evento A y los
puntos muestrales del evento B. El hecho de que los crculos se traslapen indica que
algunos puntos muestrales estn contenidos tanto en A como en B al mismo tiempo.
Ejemplos:
A = {2,4,6}
B = {4,5,6}
La unin de eventos es el conjunto de todos los elementos de los eventos sin repetir elementos
aunque se encuentren en ambos eventos.
2. Eventos
Dos eventos se dice que son mutuamente exclusivos cuando no pueden suceder
simultneamente. Es decir, no tienen puntos muestrales en comn.
Evento A Evento B
Ejemplo:
Solucin:
A B = {}
Ejemplo:
Una compaa de televisin por cable ofrece programas en 8 canales diferentes, tres
de los cuales estn afiliados a la ABC, dos a la NBC y 1 a la CBS. Los otros dos son
un canal educativo y el canal de deportes ESPN. Suponga que una persona inscrita
en este servicio enciende un televisor sin elegir primero el canal. Sea A el evento de
que el programa pertenezca a la red NBC y B el evento de que pertenezca a la red
CBS.
Solucin:
Puesto que un canal de televisin no puede pertenecer a ms de una red, los eventos
A y B no tiene programas en comn. Por lo tanto, la interseccin A B no contiene
ningn programa y, en consecuencia los eventos A y B son mutuamente exclusivos3.
Dos eventos son colectivamente exhaustivos cuando su unin nos da el espacio muestral.
Se denota de la siguiente forma A B = .
Ejemplo:
Solucin:
La unin de ambos eventos nos da el espacio muestral:
= {1,2,3,4,5,6}
3.5 Probabilidad
En el estudio de "lo que es posible", existen dos tipos de problemas. El primero es el de citar
todo lo que pueda suceder en una situacin dada y el segundo es el de determinar cuntas
cosas diferentes pueden suceder sin tener que construir una lista completa.
La probabilidad de un evento A es la suma de las probabilidades de todos los puntos
muestrales que se encuentran en A.
Ejemplo:
Para cumplir con un requisito de graduacin, cada uno de dos estudiantes debe
estudiar un idioma extranjero: Francs, alemn o ingls. Cite las diferentes formas en
que pueden hacer ellos su eleccin, si slo nos interesa cuntos de ellos, no cules,
estudiarn francs, cuntos alemn y cuntos ingls.
Solucin:
Es claro, que hay muchas posibilidades: Ambos estudiantes pueden decidir estudiar
alemn; uno de ellos puede decidir estudiar francs mientras el otro decide estudiar
ingls; quizs uno de ellos opte por el alemn y el otro decida estudiar un idioma
extranjero que no sea el francs, alemn ni ingls; ambos pueden decidir estudiar un
idioma extranjero que no sea el francs, el alemn ni el ingls; y as sucesivamente
quizs podamos completar la lista, pero las oportunidades son que omitiremos cuando
menos una de las posibilidades.
3 Excluyentes.
Conceptos de Probabilidades
101
Para manejar este tipo de problema de manera sistemtica resulta prctico trazar un
diagrama de rbol. Este diagrama muestra que hay 3 posibilidades (3 ramas) que
corresponden a 0, 1 2 de los que deciden estudiar francs. Despus, para los que
desean estudiar alemn hay tres ramas que emanan de la rama superior, dos de las
ramas del medio y una de la rama inferior. Vuelve a haber tres posibilidades 0, 1 2
cuando ningn estudiante va a estudiar francs; dos posibilidades 0 1, cuando uno
de los dos estudiantes va a estudiar francs; y una posibilidad 0, cuando ambos
estudiantes van a estudiar francs. En total hay 10 posibilidades.
Si K eventos son mutuamente exclusivos, la probabilidad de que uno de ellos ocurra es igual
a la suma de sus probabilidades respectivas; en forma simblica:
para los eventos mutuamente exclusivos A1, A2,...., AK donde, suele leerse unin.
Ejemplo:
Solucin:
Solucin:
c) P(A U B) + P (A U B) = 1
P (A U B) = 1 2/9
= 7/9
Para entender la ley aditiva observe que los dos primeros trminos en ella, P(A) y P(B) se
asocian con todos los puntos muestrales en A B. Sin embargo, como los puntos muestrales
en la interseccin A B estn en A y en B al mismo tiempo, al calcular P(A) + P(B) de hecho
contamos dos veces a cada uno de los puntos en A B. Al restar P(A B) se corrige el doble
conteo.
Ejemplo:
Para obtener una frmula P(A B) que se cumpla sin importar si los eventos A y B son
mutuamente exclusivos, tomemos en cuenta el siguiente diagrama (Figura 3.6), que
concierne a la eleccin de un alcalde.
G M
0.44 0.07
0.15 0.15
G M
Si hubiese utilizado en forma errnea la regla de adicin especial P(G M) = P(G) + P(M) =
0.59 + 0.22 = 0.81. Este error se produce al incluir P(G M) = 0.15 dos veces, una vez en
P(G) = 0.59 y otra Figura
en P(M)3.6
= 0.22 y se puede
Ejemplo corregir
de la Regla al restar
General de0.15 de 0.81.
Adicin
104 Simulacin de Sistemas
Ejemplo:
Si se saca una carta de una pila ordinaria de 52 cartas. Cul es la probabilidad de que
ser un trbol o un mueco (rey, reina o jota)?
Solucin:
Ejemplo:
Solucin:
Despus de revisar los datos el gerente de produccin opt por asignar una mala
calificacin de desempeo al empleado cuyo trabajo se presentar tarde o fuera
defectuoso; en consecuencia el evento de inters es T D. Qu probabilidad hay de
que se asigne una mala calificacin a un empleado?
P(T D) = P(T) + P(D) - P(T D)
= 0.10 + 0.12 - 0.04
= 0.18
P (A B) = P (A) P (B)
Observe que la ley multiplicativa para eventos independientes representa otro mtodo para
determinar si A y B son independientes.
Ejemplo:
Solucin:
Ejemplo:
Un gerente de una gasolinera sabe, por su experiencia, que el 80% de los clientes usan
tarjeta de crdito para comprar gasolina cul es la probabilidad de que los dos clientes
siguientes que compren gasolina usen tarjeta de crdito?.
Solucin:
Si hacemos que:
Ejemplo:
Un jurado consta de 9 personas nativas del lugar y de tres extranjeros. Si dos de los
miembros del jurado se eligen al azar para realizar una entrevista. Cul es la
probabilidad de que ambos sean extranjeros?
Solucin:
Sean:
Ejemplo:
Solucin:
P(S D) = P(D).P(SD)
= 0.84 * 0.75
= 0.63
Sabemos ahora que el 63% de las familias tiene una suscripcin de las ediciones entre
semana y dominicales.
Conceptos de Probabilidades
107
El teorema de Bayes ofrece un poderoso mtodo estadstico para evaluar nueva informacin
y revisar estimaciones precedentes (basadas en escasa informacin solamente) sobre la
probabilidad de que las cosas se hallen en uno u otro estado. Si se usa correctamente, el
teorema hace innecesario reunir grandes cantidades de datos durante largos perodos a fin
de tomar decisiones basadas en las probabilidades.
P( )
P Bi = Bi
A P(A)
Enunciada de forma ms completa de la siguiente manera: Si los eventos B1, B2, ...,Bk,
constituyen una particin del espacio muestral , donde P(Bi) 0 para i= 1, 2, ...k entonces,
para cualquier evento A de tal que P(A) 0:
A
P( B r ) P( )
B P( B r A) Br
P r = k = k para r: 1, 2, ..., k.
A A
i=1
P( B i A) P( B i ) P( )
i=1 Bi
El teorema de Bayes se aplica cuando los eventos para los que deseamos calcular sus
probabilidades posteriores son mutuamente excluyentes, y la unin de todos ellos es todo el
espacio muestral, se dice que los eventos son colectivamente exhaustivos.
Porcentaje de Porcentaje de
piezas buenas piezas malas
Proveedor A1 98 2
Proveedor A2 95 5
Solucin:
Si B representa el evento de que una parte es buena y M el evento de que una parte
es mala, la informacin da como resultado los siguientes valores de probabilidad
condicional:
En este ejemplo observamos que inicialmente se tena una probabilidad de 0.65 de que una
parte seleccionada al azar fuera del proveedor 1. Sin embargo, ante la informacin que la parte
es defectuosa, la probabilidad de que provenga del proveedor 1 baja a 0.4262. De hecho, si
la parte es defectuosa hay ms del 50% de probabilidades de que la parte sea del proveedor
2, esto es P(A2M) = 0.5738.
Ejemplo:
inscribirse en el club, pero demora su decisin varias semanas slo para darse cuenta
de que han aumentado las cuotas, cul es la probabilidad de que se haya elegido a
la seora Chvez presidenta del club?
Solucin:
A A A
P(A) = P( B 1 ) P( ) + P( B 2 ) P( ) + P( B 3 ) P( )
B1 B2 B3
P(A)= 0.37
A
P( B 3 ) P( )
B B3
P 3 =
A
3
A
i= 1
P( B i ) P( )
Bi
A
P( B 3 ) P( )
B B3
P( 3 ) =
A A A A
P( B 1 ) P( ) + P( B 2 ) P( ) + P( B 3 ) P( )
B1 B2 B3
B3 0.08 8
P( )= = 0.22
A 0.24 + 0.05 + 0.08 37
110 Simulacin de Sistemas
En vista de que han aumentado las cuotas, este resultado sugiere que es probable que no sea
la seora Chvez la presidenta del club.
Ejemplo:
Un fabricante tiene tres mquinas que llamaremos x, y, z que producen partes idnticas.
Se sabe que 5% de las partes producidas por x son defectuosas (D), y que los porcentajes de
partes defectuosas que producen y y z son el 10% y 15% respectivamente.
Si se mezclan los productos de las tres mquinas y no hay manera de reconocer cul ha sido
producida por cual mquina. Pero se sabe que las tres mquinas tienen igual capacidad y
funcionan al mismo ritmo de produccin. Si se toma una parte producida, al azar, y se
encuentra defectuosa. Cul es la probabilidad de que provenga de y? Es decir, calcular
P(Y/D)
Si
P(X)= 1/3; P(Y)= 1/3; P(Z)= 1/3
y
P(D/X)= 0.05; P(D/Y)= 0.1; P(D/Z)= 0.15
entonces:
D
P(Y) P()
Y Y
P( ) =
D X Y Z
P(X) P( ) + P(Y) P( ) + P(Z) P( )
D D D
1
(0.1)
Y 3 1
P( ) = = 0.33
D 1 1 1 3
) (0.05)+ (0.1)+ (0.15)
3 3 3
Una variable aleatoria es aquella que asume diferentes valores a consecuencia de los
resultados de un experimento aleatorio, esto significa que para una prueba especfica (evento
o suceso) de un experimento, el valor de la variable estar determinado por factores al azar.
Se puede enunciar este concepto de la siguiente forma:
Si los valores que toma un smbolo (variable) estn asociados a los sucesos aleatorios
elementales en el espacio muestral de un experimento dado, y depende por tanto de factores
al azar en cuanto a sus ocurrencias, el smbolo se llama variables aleatorias.
Conceptos de Probabilidades
111
Se puede entonces concebir la variable aleatoria como un valor o magnitud que cambia entre
una y otra ocurrencia en una secuencia indefinida.
Las variables aleatorias pueden ser discretas o continuas conforme sean los eventos de un
experimento, continuos o discretos. Si se permite que una variable aleatoria adopte slo un
nmero limitado de valores, se le llama variable aleatoria discreta. Por el contrario, si se le
permite asumir cualquier valor dentro de determinados lmites, recibe el nombre de variable
aleatoria continua.
Si a los valores que toma una variable se le asigna sus correspondientes probabilidades se
genera una distribucin de probabilidad. Es una lista de los resultados de un experimento con
las probabilidades que segn se espera, se asociaran a esos resultados. La regla para asignar
probabilidades toma dos formas distintas dependiendo de si la variable aleatoria es discreta o
continua.
Ejemplo:
Se extraen en forma sucesiva dos bolas (sin reemplazo) de una urna que contiene 4
bolas rojas y 3 negras. Si se define y como la variable aleatoria que denota el nmero
de bolas rojas observadas, los posibles resultados y valores que toman se muestran a
continuacin:
Espacio muestral y
RR 2
RN 1
NR 1
NN 0
112 Simulacin de Sistemas
Ejemplo:
Solucin:
Espacio Muestral m
TZC 3
TCZ 1
ZTC 1
ZCT 0
CTZ 0
CZT 1
Ejemplo:
X P(X=x)
0
1 2/
4
2
En cada uno de los tres ejemplos anteriores, el espacio muestral contiene un nmero finito de
elementos.
Conceptos de Probabilidades
113
Una variable aleatoria que puede asumir una cantidad finita de valores, o una sucesin infinita
de valores como: 0,1,2,..., se llama variable aleatoria discreta. Por ejemplo, consideremos el
experimento en que un mdico presenta el examen de certificacin de especializacin. El
examen consta de 5 partes. Se puede definir la variable aleatoria discreta como x = la cantidad
de partes aprobadas del examen. Esta variable discreta puede asumir la cantidad finita de
valores 0,1,2,3,4 5.
Otro ejemplo de variable aleatoria discreta: Un experimento relacionado a los vehculos que
llegan a una caseta de cobro. La variable aleatoria de inters es x = cantidad de vehculos que
llegan en un da. Los valores posibles de x provienen de la sucesin de enteros 0,1,2, etc..
Por consiguiente, x es una variable aleatoria discreta que toma uno de los valores de esta
sucesin infinita.
Aunque muchos experimentos tienen resultados que se pueden describir naturalmente con
valores numricos, existen otros que no. Por ejemplo, una pregunta de una encuesta puede
pedir a la persona que recuerde el mensaje de un comercial televisivo reciente. Habra dos
resultados experimentales:
Sea
x = 0 si el individuo no puede recordar el mensaje, y
x = 1 si s lo puede recordar.
Los valores numricos para esta variable aleatoria son arbitrarios (se podra haber usado 5 y
10), pero se pueden captar en trminos de la definicin de variable aleatoria; x es una variable
aleatoria porque asigna una descripcin numrica al resultado del experimento.
Funcionamiento de un
Cantidad de clientes 0,1,2,3...
restaurante durante un da
Vender un automvil Sexo del cliente 0 si es hombre, 1 si es mujer
Observamos que en cada ejemplo, la variable aleatoria discreta asume, o toma una cantidad
finita o infinita de valores como 0,1,2... etc.
Resulta conveniente representar todas las probabilidades de una variable aleatoria discreta X
a travs de una frmula. Esta frmula sera necesariamente funcin de los valores numricos
x, que se denotarn por f(x), g(x), r(x) y as sucesivamente.
Se puede entonces describir f(x)= P(X= x); es decir, por ejemplo, f(3)= P(X= 3). Al conjunto de
pares ordenados (x, f(x)) se le denomina funcin de probabilidad o distribucin de probabilidad
de la variable aleatoria X cuando ocurre el valor 3.
El conjunto de pares ordenados (x, f(x)) es una funcin de probabilidad de la variable aleatoria
discreta X si, para cada posible resultado x:
1. f(x) 0.
2. f(x) = 1.
3. P(X= x)= f(x).
Ejemplo:
Solucin:
Sea X una variable cuyos valores x son los nmeros posibles de computadoras
defectuosas adquiridas por la empresa. Entonces x puede ser cualquiera de los
nmeros 0, 1 y 2. Ahora,
2/7
3D 3/8 D
5/7
8 3/7
5/8 ND
5 ND
4/7
D, D N de
D, ND computadoras
S= ND, D X= defectuosas
ND, ND adquiridas por
la empresa
Conceptos de Probabilidades
115
x 0 1 2
P(x) 3/28 15/28 5/14
Si 50% de los automviles que vende una agencia estn equipados con motores Diesel,
encuentre una frmula para la distribucin de probabilidad del nmero de automviles Diesel
entre los siguientes 4 que esta agencia vende.
Solucin:
f(x) = 4
x entre 16; para x = 0,1,2,3,4
f(0) = 1/16
f(1) = 1/4
f(2) = 3/8
f(3) = 1/4
f(4) = 1/16
116 Simulacin de Sistemas
Es posible trazar los puntos (x, f(x)) del ejemplo anterior, para obtener la siguiente figura:
f(x)
6/16
5/16
4/16
3/16
2/16
1/16
x
0 1 2 3 4
Figura 3.8 Diagrama de Barras
Al unir los puntos en el eje de las x, ya sea a travs de una lnea punteada o de una lnea
continua, se obtiene lo que comnmente se denomina una grfica de barras, la que hace que
resulte muy sencillo observar cules son los valores de X que mayor probabilidad de
ocurrencia y tambin seala una situacin de perfecta simetra en este caso.
En vez de trazar los puntos (x, f(x)), es ms frecuente que se construyan rectngulos. Aqu los
rectngulos estn construidos de manera que sus bases, de igual amplitud, estn centradas
en cada valor x y sus alturas son iguales a las correspondientes probabilidades dadas por f(x).
Las bases se construyen de manera que no queden espacios entre los rectngulos. A la
siguiente figura se le denomina histograma de probabilidad.
La grfica de la distribucin acumulada del ejemplo anterior (figura 3.10) aparece como una
funcin de escalones, obtenida dibujando los puntos (x, F(x)).
Conceptos de Probabilidades
117
Considere un experimento que consiste en lanzar tres veces una moneda. La variable
aleatoria X denota el nmero de caras obtenidas en los tres lanzamientos.
Como las variables aleatorias continuas pueden asumir alguna de un incontable (e infinito)
nmero de valores posibles, tienen una probabilidad de cero de tomar exactamente cualquiera
de sus valores, no significando esto que el valor es infinito, sino que resulta extremadamente
imposible tomando en consideracin el nmero infinito de alternativas. Por lo tanto, no se
puede presentar su distribucin de forma tabular, pero se puede tener una frmula, la cual
ser funcin de los valores numricos de la variable continua X y como tal se representa a
travs de la notacin funcional f(x), conocida normalmente como funcin de densidad de
probabilidad o funcin de densidad de X.
La mayor parte de las funciones de densidad que tienen aplicaciones prcticas para el anlisis
de datos estadsticos son continuas y sus grficas pueden tomar diversas formas (ver figura
3.11).
Conceptos de Probabilidades
119
Una
funcin
de
densidad se construye de manera que el rea bajo su curva, limitada por el eje de las x sea
igual a 1 cuando se calcula en el rango de X para el que se ha definido f(x) (figura 3.12). Si
este rango de X fuese un intervalo finito, siempre es posible ampliar el intervalo para incluir el
conjunto total de nmeros reales, al definir f(x)= 0 en todos los puntos de las porciones
ampliadas del intervalo. Del clculo de la integral se tiene que:
b
P(a < X < b) = f(x) dx.
a
120 Simulacin de Sistemas
Figura
3.12
P(a < X
< b)
Podemos aadir que la funcin f(x) es una funcin de densidad de probabilidad para la variable
aleatoria continua X, definida sobre el conjunto de los nmeros reales, R, si cumple con los
siguientes enunciados:
La distribucin acumulada F(x) de una variable aleatoria continua X, con funcin de densidad
f(x), est dada por:
x
F(x) = P(X x) =
-
f(t) dt para - < x < ,
la cual define la probabilidad de que la variable aleatoria asuma un valor menor o igual a x.
Ejemplo:
f(x) =
0,
Solucin:
1 2 3 1
x x 1
P(0 < x 1)= dx = _= 9
0
3 9 0
Ejemplo:
Figura
3.12
Solucin:
F(x) =
0, x - 1
3
x +1 , -1 x < 2
9
1, x 2
Ahora,
2 1 1
P(0 < X 1)= F(1) - F(0)= - = ,
9 9 9
lo cual concuerda con el resultado que se obtuvo al utilizar la funcin de densidad del ejemplo
anterior.
Hasta este momento las consideraciones se han restringido a variables aleatorias discretas o
continuas, y para la mayor parte de las aplicaciones esto es lo adecuado. Sin embargo,
ocasionalmente se presentar una situacin en donde la variable aleatoria x puede tomar
diferentes valores x1, x2, ..., xk con probabilidad positiva y tambin puede tomar todos los
valores en algn intervalo o coleccin de intervalos. Por ejemplo, considrese la distribucin
del tiempo de espera para un cliente que llega a la ventanilla de un banco. Si no hay personas
en la lnea, el tiempo de espera es cero, y existe una probabilidad positiva de que ste sea el
caso; pero si hay uno o ms clientes ya sean en la lnea y/o estn siendo atendidos, el tiempo
de espera tomar algn valor sobre un intervalo.
Existen pues, variables aleatorias que pueden tomar valores continuos o discretos. Este tipo
de variable se representa por medio de una distribucin mixta. Estos casos se dan cuando la
variable puede asumir cualquier valor discreto con probabilidad finita o puede asumir una
continuidad de valores establecidos por una funcin de densidad. La figura 3.13 describe una
distribucin donde los valores discretos 1 y 2 ocurren, cada una con una probabilidad de como
se indica con las flechas. Los valores entre uno y dos estn gobernados por la funcin de
densidad f(x)= 1/3
La funcin de distribucin muestra una unin con una distribucin continua con valores
igualmente probables, en la funcin acumulada muestra el mayor valor en el punto 2 y el menor
valor en el punto 1.
0, x<1
1, x 2
124 Simulacin de Sistemas
De esta
La esperanza y el momento son necesarios, algunas veces, para caracterizar a una variable
aleatoria mediante uno o ms valores que sumaricen informacin contenida en una funcin
de distribucin de probabilidad.
El valor esperado, o media, de una variable aleatoria es una medida de la localizacin central
(o tendencia central de esa variable). La ecuacin matemtica del valor esperado de una
variable aleatoria discreta x es la siguiente:
E(x) = = xf(x)
Se puede usar las notaciones E(x) y para representar el valor de una variable aleatoria. Para
calcular el valor esperado de una variable aleatoria discreta debemos multiplicar x, (cada valor
6 Media
Conceptos de Probabilidades
125
de ella), por f(x), (su probabilidad correspondiente), y despus sumar todos los productos
obtenidos.
Si la variable aleatoria x es continua tenemos que la media o valor esperado es:
E(x)= = + x f(x)dx
-
Ejemplo:
Durante los ltimos 300 das de operacin los datos de ventas de Motores di Carlo muestran
que en 54 das no se vendieron automviles, en 117 se vendi un automvil, en 72 se
vendieron 2; en 42, 3 en 12, 4 y en 3 das se vendieron 5 automviles. Sabemos que x es una
variable aleatoria discreta que puede asumir los valores 0,1,2,3,4 5. Como los datos
histricos muestran que en 54 de 300 das no se vendieron automviles, asignaremos el valor
de 54/300 = 0.18 a f(0), 117/300 = 0.39 a f(1) y as con los siguientes y tendremos:
X f(x) xf(x)
0 0.18 0(0.18)
1 0.39 1(0.39)
2 0.24 2(0.24)
3 0.14 3(0.14)
4 0.04 4(0.04)
5 0.01 5(0.01)
1.50
E(x) = = xf(x)
Ejemplo:
En un juego de azar, se le paga a una persona 5 dlares si al tirar al aire tres monedas
obtiene puras caras o puros sellos, mientras que esta persona deber pagar 3 dlares
si obtiene slo 1 2 caras. Cul es la ganancia esperada del jugador?
Solucin:
126 Simulacin de Sistemas
El espacio muestral formado por todos los posibles resultados que pueden obtenerse
cuando se tiran tres monedas de manera simultnea, o en forma equivalente si la
moneda se tira 3 veces sucesivas, es:
Varianza o Momento:
Si una variable aleatoria tiene una varianza pequea entonces los eventos tienden a ocurrir
cerca del valor esperado.
2
x = VAR (x) x = x
Ejemplo:
Vemos que la varianza es de 1.25. La desviacin estndar , se define como la raz cuadrada
positiva de la varianza. As, la desviacin estndar de la cantidad de autos vendidos en un
da es:
= 1.25 = 1.118.
La desviacin estndar se mide con las mismas unidades que la variable aleatoria ( = 1.118
automviles) y en consecuencia se prefiere en muchas ocasiones para describir la variabilidad
de una variable aleatoria. La varianza 2 se mide con las unidades elevadas al cuadrado, y
por ello es ms difcil de interpretar.
Covarianza:
f(y/x) = f(y) {En el caso continuo donde f(Y/X) es la funcin de densidad condicional
de Y para X= x..}
Coeficiente de Correlacin:
Cuando X y Y son independientes entonces una grfica de Y versus X puede producir puntos
al azar y puede ser cero.
Diagramas de Dispersin
Las caractersticas de las diferentes distribuciones que se tratarn son las que llevarn al
modelador a seleccionar una de estas, para una variable aleatoria particular, de manera que
represente matemticamente un proceso aleatorio.
La probabilidad de un evento o suceso se puede expresar como una funcin porque a cada
valor distinto posible de una variable aleatoria X, que en verdad es un suceso, le corresponde
una probabilidad de ocurrencia entre cero (0) y uno (1), incluidos. En otras palabras, existe
una probabilidad que se puede asignar a cada valor posible de x, que es un evento elemental
o compuesto.
Conceptos de Probabilidades
129
Una distribucin de frecuencia7 es el listado de todos los puntos muestrales con la frecuencia
real con que sean presentadas cuando se llev a cabo el experimento. Mientras que una
distribucin de probabilidades es un listado de todos los resultados posibles que podrn
presentarse si se efecta el experimento. Es decir, una distribucin de probabilidades no es
ms que el resultado o puntos muestrales de un experimento con sus respectivas
probabilidades.
Ejemplo:
Evento P(A)
0 SS 0.25
1 CS, SC 0.50
2 CC 0.25
1.00
F(x)
0.75
0.50 .
0.25 .
x
0 1 2 3
El espacio muestral para cada prueba de Bernoulli es constituido solo por dos puntos X =
{1, 0} {xito, Fracaso} {v, f}, etc. Su esperanza matemtica E[X] ser igual a p y su
varianza ser p(1-p).
Ejemplo:
Ejemplo:
Ejemplo:
E: denota el evento de observar un nmero par.
F: denota el evento de observar un nmero impar.
Se tendr entonces que P(E) = P(F) = . Si se define el xito como la observacin de
un nmero par p = q = .
Las pruebas de Bernoulli constituyen un modelo terico y solo la experiencia puede
mostrarnos si este es adecuado o no para describir determinada observacin.
El espacio muestral de n pruebas de Bernoulli tiene 2n puntos, cada uno con una secuencia
de n letras E, F representando los posibles resultados.
Como cada prueba es independiente de la otra tendremos:
Como el modelo tiene solamente dos clases de sucesos tambin se le conoce como modelo
probabilstico de dos puntos.
Donde:
y = VAR(y) = pq
Existen n ensayos, cada uno de los cuales tienen dos resultados mutuamente
excluyentes que pueden clasificarse como xito o fracaso.
La probabilidad de un xito p permanece fija en cada ensayo.
La probabilidad de fracaso q permanece fija en cada ensayo y q = 1 - p.
La variable aleatoria X es el nmero total de xitos en n ensayos.
Ejemplo:
Un vendedor calcula que cada entrevista con un cliente lleva una venta con
probabilidad de 0.2. Cierto da, entrevista dos clientes, (V y F), calcule la distribucin
de probabilidad del nmero por clientes que firman un contrato de ventas (asumir que
las entrevistas representan sucesos independientes).
X P(X)
VV 0.2 x 0.2 = 0.04
VF 0.2 x 0.8 = 0.16
FV 0.8 x 0.2 = 0.16
FF 0.8 x 0.8 = 0.64
1.00
X P(X)
0 0.64
1 0.32
2 0.04
1.00
Ejemplo:
Si existen las 3 ltimas propiedades, se dice que los intentos se generan mediante un
proceso de Bernoulli. Si adems existe la propiedad 1, se dice que se tiene un experimento
binomial.
n! x n-x
f(x) = p q
x! (n - x)!
134 Simulacin de Sistemas
n = nmero de intentos
p = probabilidad de xito de cualquier intento
x = variable aleatoria que representa el nmero de xitos de n intentos
q = probabilidad de fracaso de cualquier intento
f(x) = probabilidad de x xito en n intentos
Ejemplo:
Tenemos que:
n = 3 clientes
p = 0.30
q = 0.70
x = 2 clientes
n! x n-x
f(x) = p q
x! (n - x)!
3! 2 3- 2
f(x) = (0.30) (0.70)
2! ( 3 - 2 )!
f(x) = 0.189
La media de X es la suma de los productos de los valores que puede tomar X multiplicados
por sus respectivas probabilidades, se expresa as:
= n
La varianza es:
VAR(X)= E(X2) - 2
n
= X2 P(X) - 2
x=0
= nq
Conceptos de Probabilidades
135
y la desviacin estndar:
n
= X P(X) -
x=0
2 2
= n pq
Para el problema de la Tienda de Ropa M&M para 3 clientes, podemos calcular la cantidad
esperada de clientes que hacen una compra:
La varianza y la desviacin estndar de la cantidad de clientes que hacen una compra son:
f(x) =
x e-
x!
donde:
136 Simulacin de Sistemas
Tenemos:
= 10
x= 5
f(x) =
x e-
x!
5 - 10
10 e
f( 5 ) =
5!
f( 5 ) = 0.0378
Media:
=
Varianza:
2 =
Desviacin Estndar:
Como regla general la aproximacin ser buena siempre y cuando p <= 0.05 y n >= 20.
Conceptos de Probabilidades
137
Ejemplo:
= np = 250 (0.01)
f(x) =
x e-
x!
3 - 2.5
2.5 e
f( 5 ) =
3!
f( 5 ) = 0.2138
Supngase que en una sucesin de ensayos queremos saber el nmero de ensayos en que
ocurre el primer xito y que todas las suposiciones fundamentales de la distribucin binomial,
menos la de que n es constante, se satisfacen; en otras palabras, n no es fija.
Es claro que, si el primer xito ocurre en el x-ximo ensayo, estuvieron precedido por x-1
fracasos; y si la probabilidad de un xito es p, la probabilidad de x-1 fracasos en x-1 ensayos
es (1 - p)x-1. As, si multiplicamos esta expresin por la probabilidad p de un xito en el x-ximo
ensayo, observamos que la probabilidad de obtener el primer xito en el x-ximo ensayo es
proporcionada por:
P(x) = p(1-p)x-1
en donde el parmetro p es una constante que se encuentra entre 0 y 1 y x toma los valores
1,2,3,...
Ejemplo:
Solucin:
P(x) = p(1-p)x-1
P(4) = 0.20 (1 - 0.20)4-1
138 Simulacin de Sistemas
P(4) = 0.102
r N r
x n x
f ( x) para 0 x r
N
n
En donde:
Ejemplo:
Solucin:
N=5
n=2
r=3
x=2
Conceptos de Probabilidades
139
r N r
x n x
f ( x)
N
n
3 5 3
2 2 2
f (x)=
P(x=2)
5
2
f ( x=) 3 / 10 0.3
P(x=2)
Supongamos que despus nos enteramos de que los que harn el viaje a Las Vegas sern 3
personas del comit. Determine la probabilidad de que exactamente 2 de los 3 miembros sean
mujeres.
r N r 3 5 3
x n x 2 3 2 f ( x)= 6 / 10 0.60
P(x=2)
f ( x) f (x=)
P(x=2)
N 5
n 3
Muchos tipos de datos son continuos por naturaleza porque las observaciones se obtienen
por medidas que se pueden hacer con cualquier grado de precisin que se desee, por ejemplo
las medidas de tiempo, distancias, de estaturas, de peso.
Ejemplo:
La figura 3.16 presenta un crculo dividido en ocho partes iguales con una flecha giratoria en
el centro se hace girar, la punta de la flecha podr detenerse en cualquier punto dentro del
crculo, y no precisamente en algunos de los valores enteros, la probabilidad de que la punta
seale un valor determinado es tan pequea, que deber considerarse aproximadamente
igual a cero.
8
7 1
6 2
5 3
4
25% 1/16
6
3.5
4
4
1/8
3.21
4.217 7
Figura 3.17 Otras posibles Probabilidades de ciertas reas
Cuando una variable aleatoria asume cualquier valor en una escala continua entre dos puntos,
de tal forma que ningn valor sea ms probable que el otro, entonces las probabilidades
asociadas con la variable aleatoria se pueden describir mediante la distribucin uniforme.
Esta probabilidad indica que todos los valores entre un mnimo y un mximo son igualmente
probables. Puede a veces indicar una completa carencia de conocimientos con respecto a la
variable aleatoria y por eso se le da a cada posible suceso la misma probabilidad de
ocurrencia. La figura se escondi
1
f(x) = a xb
b-a
Ejemplo:
F(x)
1
b-a
x
a b
142 Simulacin de Sistemas
En el ejemplo anterior de la flecha en la circunferencia, todos los puntos del crculo tienen la
misma probabilidad. La distribucin uniforme se representa grficamente como un rectngulo
limitado por los puntos a y b, los cuales constituyen el intervalo de resultados posibles (ver
figura 3.18).
F(x)
P = 100%
x
a b
Figura 3.19 Distribucin Uniforme
La altura del rectngulo se considera igual a 1.00 y el rea del mismo es igual a 100%. El rea
bajo el rectngulo entre dos puntos cualesquiera c y d es igual al porcentaje del intervalo total
incluido entre c y d.
(d - c)
P(c x d)=
(b - a)
Ejemplo:
Un vendedor llama por telfono a las oficinas entre las 3:00 y 3:15 de la tarde y en
ningn otro momento, de ese lapso, hay probabilidades de que el vendedor llame.
Solucin:
Dado que el tiempo se mide en escala continua, la probabilidad de que se registre una
F(x)
P (x)
x
a c d
llamada entre dos puntos cualesquiera en el tiempo es igual a razn de ese tiempo al
intervalo de 1 hora. La probabilidad que se registre la llamada entre 3:00 y 3:15 es
15/60 = 0.25
Figura 3.20 Probabilidad de una Llamada registrada entre 3:00 y 3:15
Conceptos de Probabilidades
143
Ejemplo:
Supongamos que hay suficientes datos reales de tiempo de vuelo para llegar a la
conclusin de que la probabilidad de un tiempo de vuelo dentro de cualquier intervalo
de un minuto es igual a la correspondiente dentro a otro intervalo similar dentro del
rango de 120 y 140 minutos. La funcin de densidad de probabilidad, que define la
distribucin uniforme de probabilidad de la variable aleatoria tiempo de vuelo es:
cuando120 x 140
1 / 20
f ( x) en cualquier otro lugar
0
Cul es la probabilidad de que el tiempo de vuelo sea entre 120 y 130 minutos?. Esto es,
Cul es P(120 x 130) ?.
Si el ancho del intervalo es igual a 130 - 120 = 10 y la altura es igual al valor de la funcin de
densidad de probabilidad f(x)= 1/20, entonces P(120 x 130) va a ser = 10(1/20) que es
igual 10/20 = 0.50.
El ancho del intervalo es de 136 -128 = 8. Con la altura uniforme de 1/20 vemos que:
P(128 x 136) = 8(1/20) = 0.40.
Observe que P(120 x 140) =20(1/20) = 1. Esta propiedad es vlida para las distribuciones
continuas de probabilidad, y es el anlogo de la condicin de que las sumas de probabilidades
deben ser iguales a 1 para una funcin de probabilidad discretas. Para una funcin continua
de densidad de probabilidad tambin se requiere que f ( x) 0 para todos los valores de x.
Es el anlogo del requisito que f ( x) 0 para las funciones discretas de probabilidad.
144 Simulacin de Sistemas
Hay dos diferencias principales entre el manejo de las variables aleatorias continuas y el de
su contraparte las variables discretas:
E(x) = (a + b) / 2
E(x) = (120 + 140) / 2
E(x) = 130
Var(x) = (b - a)2 / 12
Var(x) = (140 - 120)2 / 12
Var(x) = 33.33
Ejemplo:
Los clientes llegan a un cajero con distribucin uniforme. Encuentre la probabilidad de que un
cliente llegue durante los ltimos 5 minutos de un perodo de 30 minutos.
Otra forma de verlo es que la actividad caracterizada por una distribucin exponencial tiene la
misma probabilidad de ser concluida en cualquier perodo de tiempo subsiguiente t .
cargar un camin, la distancia entre los principales defectos en una carretera, etc. Se expresa
en trminos del tiempo o distancia hasta que el evento no tenga lugar.
1
f ( x) e x / para x 0, >0
Ejemplo:
El tiempo que se tarda en cargar un camin en el muelle sigue esta distribucin. Si la media
del tiempo, o tiempo promedio para cargarlo es de 15 minutos (=15), su funcin de densidad
de probabilidad es:
1
f ( x) e x /
1
f ( x) e x / 15
15
Para calcular esta probabilidad empleamos la siguiente ecuacin, que da como resultado la
probabilidad de obtener un valor de la variable aleatoria exponencial igual o menor que
determinado valor especfico de x, representado por x0.
x0
P( x x0 ) 1 e
Media =
VAR(X)= 2
Ejemplo:
146 Simulacin de Sistemas
P(T>t) = e- t
P(T>2) = e-(1.5)(2)
Con esta frmula, se calcula la probabilidad de que el espacio (o tiempo) antes de que se
presente la primera ocurrencia sea mayor que un espacio dado (o tiempo) t.
P(T t) =1 - e- t
Suponga que el tiempo que tardan en recibir su orden despus de hacerla en un gran
restaurante promedia 10 minutos. Suponga tambin que ese tiempo que espera en ser
atendido se distribuye exponencialmente.
Solucin:
Suponga que una mquina falla un promedio de una vez cada dos aos (1/ = 2, as que
= 0.5).
3.9.9
Distribucin Normal
Cuando tratamos con un fenmeno que est relacionado a sumas de variables aleatorias,
pueden considerarse aproximaciones a una distribucin normal. Esta distribucin tiene la
ventaja de ser manejable matemticamente y consecuentemente muchas teoras de
inferencia estadstica tales como el anlisis de regresin y el anlisis de la varianza se derivan
asumiendo una funcin de distribucin normal.
Las curvas normales tienen estas caractersticas:
1 -(x - ) 2
f(x) = e 2 2
2
Para evitar la complejidad se debe trabajar con valores relativos en lugar de reales. Esto
equivale a utilizar la media como punto de referencia, y la desviacin estndar como una media
de la desviacin de dicho punto de referencia. Esta escala es conocida como escala Z8, en
donde:
(x - )
Z=
Z = nmero de desviaciones estndar a partir de la media
x = algunos valores de inters
= media de una desviacin normal
= desviacin estndar
Valor real = + Z
Ejemplo:
En un examen final de matemticas la media fue 72 y la desviacin tpica 15. Determinar las
referencias tipificadas (es decir, graduaciones en unidades de desviacin tpica) de los
estudiantes que obtuvieron puntuaciones de a) 60, b) 93, c) 72.
Solucin:
X-X 60 - 72
a) Z = ------ = ------- = -0.8
s 15
X-X 93 - 72
b) Z = ------ = ------- = 1.4
s 15
X-X 72 - 72
c) Z = ------ = ------- = 0
s 15
Ejemplo:
Con referencia al problema anterior, hallar las puntuaciones correspondientes a las referencias
tipificadas
a) -1, b) 1,6
a) X = X + zs = 72 + (-1)(15) = 57
b) X = X + zs = 72 + (1.6)(15) = 96
Ejemplo:
El supervisor de una planta hidroelctrica sabe que las turbinas de la presa generan
electricidad a toda su potencia cuando por lo menos 1,000,000 de galones de agua pasan
por la presa al da. Tambin sabe por experiencia que el flujo diario tiene una distribucin
normal, con una media igual al flujo del da anterior y con una desviacin estndar de
200,000 galones. Ayer pasaron por la presa 850,000 galones. Cul es la probabilidad de
que las turbinas generen hoy una cantidad mxima?
z=x-/
z = 1,000,000 - 850,000 / 200,000
z = 0.75
La probabilidad de que hoy las turbinas generen una cantidad mxima de electricidad
es de 0.2266.
150 Simulacin de Sistemas
Ejemplo:
Una empresa de neumticos acaba de desarrollar un neumtico radial con banda de acero
que vender a travs de una cadena nacional de tiendas de descuento. Como ese neumtico
es un producto nuevo, la direccin cree que la garanta de millas recorridas que se ofrece con
el neumtico ser un factor importante en la aceptacin.
z=x-/
z = 40000 - 36500 / 5000
z = 0.70
Al emplear la tabla vemos que el rea entre el promedio y z=0.70 es 0.2580. Adems el rea
entre x=36500 y x=40000 tambin es 0.2580. As como 0.5000 - 0.2580 = 0.2420 es la
probabilidad de x sea mayor que 40000. Podemos concluir que un 24.2% de los neumticos
duran ms de 40000 millas.
Esta distribucin corresponde a las variables aleatorias cuyo logaritmo natural, sigue la
distribucin normal. De la misma forma en que la distribucin normal es aplicable a procesos
aditivos, la distribucin normal logartmica es apropiada para procesos de tipo multiplicativo.
Resulta apropiada en proceso donde el valor de una variable observada es una proporcin
aleatoria de los valores previamente observados. Ejemplos de tales procesos incluyen la
distribucin de ingresos personales, beneficios y depsitos de banco.
1 ln x
2
1
f(x) = e 2
x 2x
Conceptos de Probabilidades
151
3.10 Resumen
La probabilidad de un evento A es la suma de los pesos de todos los puntos muestrales que
se encuentra en A. Por lo tanto,
0 P(A) 1 , P( ) = 0, y P(S)= 1
P(AB)= P(B)
y
P(AB)= P(B),
La regla de Bayes nos dice que si los eventos B1, B2, ..., Bk constituyen una particin del
espacio muestral S, donde P(Bi) 0 para i= 1, 2, ...,k, entonces para cualquier evento A de S
tal que P(A) 0,
A
P( B r ) P( )
B P( B r A) Br
P r = k = k
A A
i=1
P( B i A) P( B i ) P( )
i=1 Bi
para r: 1, 2, ..., k.
Una variable aleatoria es una funcin que asocia un nmero real a cada elemento del espacio
muestral. Si un espacio muestral contiene un nmero infinito de posibilidades iguales al
nmero de puntos que se encuentra en un segmento o lnea, se le denomina espacio
muestral continuo.
El conjunto de pares ordenados (x, f(x)) es una funcin de probabilidad o una distribucin
de probabilidad de variable aleatoria discreta X si, para cada posibles resultado x la sumatoria
de las probabilidades es igual a 1, entre otras cosas. Por su parte la distribucin acumulada
F(x) de una variable aleatoria discreta X, est dada por:
Existen variables aleatorias que pueden tomar valores continuos o discretos. Este tipo de
variable se representa por medio de una distribucin mixta. Estos casos se dan cuando la
variable puede asumir cualquier valor discreto con probabilidad finita o puede asumir una
continuidad de valores establecidos por una funcin de densidad.
152 Simulacin de Sistemas
La esperanza y el momento son necesarios, algunas veces, para caracterizar a una variable
aleatoria mediante uno o ms valores que sumaricen informacin contenida en una funcin
de distribucin de probabilidad.
Las caractersticas de las diferentes distribuciones son las que llevarn al modelador a
seleccionar un tipo de stas, para una variable aleatoria particular de manera que represente
un proceso aleatorio.
La probabilidad de un suceso se puede expresar como una funcin porque a cada valor
distinto posible de una variable aleatoria X, que en verdad es un suceso, le corresponde un
nmero real y slo uno entre cero (0) y uno (1).
Una distribucin de probabilidades no es ms que el resultado o puntos mustrales de un
experimento con sus respectivas probabilidades.
La distribucin de Poisson se emplea para describir varios procesos entre otros casos, la
distribucin de las llamadas telefnicas que llegan a un conmutador, los arribos de camiones
y automviles a la caseta de cobro, y otros procesos que puedan ser descritos por una
variable aleatoria discreta.
continua en sentido de que hay un nmero infinito de puntos en cualquier intervalo de nmeros
reales y los valores dentro del intervalo entre s en cantidades infinitesimales.
Cuando una variable aleatoria asume cualquier valor en una escala continua entre dos puntos,
de tal forma que ningn valor sea ms probable que el otro, entonces las probabilidades
asociadas con la variable aleatoria se pueden describir mediante la distribucin uniforme.
Una urna contiene 200 bolsas en cada una de las cuales aparece un nmero del 1 al 200. Se
saca una bolsa de la urna. Cul es la probabilidad de que el nmero marcado en la bolsa
sea mltiplo de 6 8?
Probabilidad Condicional
Regla de Multiplicacin
154 Simulacin de Sistemas
Una caja contiene 15 tornillos de los cuales 5 estn defectuosos. Dos tornillos se extraen al
azar. Encontrar la probabilidad del suceso tal que ninguno de los 2 tornillos sea defectuoso.
Teorema de Bayes
Supngase que 3 mquinas B1, B2 ,B3 producen respectivamente 50%, 30%, 20 % del nmero
total de artculos en una fbrica.
Valor Esperado
Supngase que en una lotera se venden 2000 boletos a un dlar cada uno y que se van a
otorgar 3 premios. El primer premio es un aparato de sonido con un valor de $ 500.00 el
segundo premio es un aparato de televisin con un valor de $ 300.00 y el tercero es un
fongrafo con un valor de $200.00. si usted compr un boleto. Cul es la ganancia
esperada?.
Proceso de Bernoulli
X = dar en el blanco
P = 0.8
n=4
q = 1 - p = 0.2
4
P(2) = 0.8 0.2
2 2
2
Conceptos de Probabilidades
155
= 0.1536
Distribucin de Poisson
X = solicitudes recibidas
=5
P(X = 3/5) = 53 e -5 / 3!
= 125 (0.00674) / 6
= 0.14037
Distribucin Hipergeomtrica
a N a
x n x
P= (x = 2) =
N
n
5 15
= 0.348
2 8
20
10
Distribucin Binomial
156 Simulacin de Sistemas
Solucin:
5
b4;5,0.60 0.60 1 0.60
4 5 4
4
= 0.259
5
b5,5,0.60 0.60 1 0.60
4 55
= 0.078
2. Alguien asegura que el 75% de los accidentes industriales pueden ser prevenidos
acatando estrictamente las disposiciones de seguridad. Suponiendo que la afirmacin sea
verdadera, cules son las probabilidades de que
Solucin:
(a) En primer trmino usando la parte (b) del teorema 3.1 y luego buscando las
probabilidades requeridas en la tabla 1, obtenemos
Solucin:
20
b( x;20,0.10) 1 B(5;20,0.10)
x 5
=0.03192
Dado que este valor es muy pequeo, parecera razonable rechazar la afirmacin del
fabricante de lavadoras.
n = 100
p = 0.05
100
P(X = 2) = 0.05 2 0.95 98
2
= 0.081
Distribucin Normal
Si la cantidad de radiacin csmica a la que una persona est expuesta mientras viaja en
avin, a la repblica Mexicana es una variable aleatoria con distribucin normal = 4.35 mrem
= 0.59 mrem Calclese la probabilidad de que la cantidad de radiacin csmica a la que
un viajero queda expuesto en tal vuelo que sea al menos 5.5?
Z=X-/
= 5.5 - 4.35 / 0.59 = 1.95
P( X 5.5) I P( X 5.5)
= 1 - P (Z<1.95)
= 1 - F(1.95)
158 Simulacin de Sistemas
= 1 - .9744
= 0.0256
3.12 Ejercicios
Teorema de Bayes
1. En cierta regin del pas se sabe, por experiencias pasadas, que la probabilidad de elegir a
un adulto de ms de 40 aos con cncer es de 0.02. Si la probabilidad de que un doctor
diagnostique en forma correcta que una persona tiene cncer es de 0.78 y la probabilidad de
que diagnostique de manera incorrecta que una persona que tiene cncer no lo tiene es de
0.06, cul es la probabilidad de que diagnostique que una persona tiene cncer?
Resp: 0.0744
2. Con referencia al problema anterior cul es la probabilidad de que una persona a la que
se le ha diagnosticado cncer est en realidad enferma?
Resp: 0.2097
3. La polica planea hacer respetar los lmites de velocidad utilizando radares en cuatro
ubicaciones diferentes dentro de los lmites de la ciudad. Se operan radares en cada una de
las ubicaciones L1, L2, L3 y L4 en 40%, 30%, 20% y 10% del tiempo, y si una persona que
rebasa los lmites de velocidad en su camino al trabajo tiene probabilidades de 0.2, 0.1, 0.5 y
0.2, respectivamente, de pasar por estos lugares, Cul es la probabilidad de que reciba una
multa?.
Resp: 0.23
4. Una prueba diagnstica para la diabetes tiene un CFP de 4% y un CFN del 5%. Si la
prevalencia de la diabetes en la poblacin donde se usa es del 7% cul es la
probabilidad de que sea diabtico un individuo en el que la prueba d positiva? y de qu
no lo sea uno en el que d negativo?
Resp: 0.641
Resp: 0.996
Distribucin Binomial
Conceptos de Probabilidades
159
1. Los archivos muestran el 30% de los pacientes que se admiten en una clnica no cumplen
con el pago de sus cuentas, las que terminan por serles perdonadas. Supongamos que n=4
representa una seleccin aleatoria de un grupo grande de posibles pacientes atendidos por
la clnica. Encuentre la probabilidad de que:
a. La cuenta de todos los pacientes tenga que serles perdonadas.
b. Que una cuenta tenga que ser perdonada.
c. Que ninguna tenga que ser perdonada.
Resp:
a. P(x = 4) = 0.0081
b. P(x = 1) = 0.4116
c. P(x = 0) = 0.24
Resp:
a) 0.2103
b) 0.4101
c) 0.0360
4. Una mquina fabrica una determinada pieza y se sabe que produce un 7 por 1000
de piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas slo haya
una defectuosa.
Solucin:
Resp: 0.248
Resp: a) 0.00724
b) 5.097.10 9
c) 0.11503
Distribucin Uniforme:
1. Un vendedor telefonea a las oficinas centrales entre las 3 y 4 de la tarde y, segn el registro,
en ningn momento de ese lapso hay probabilidades de que el vendedor llame. Cul es
la probabilidad de que se registre la llamada entre 3:00 y 3:15?
Respuesta: P(x)= 0.25
2. Las ventas de combustible en una gasolinera tienen una media de 40000 litros por da y
un mnimo de 30000 litros por da. Suponga que una distribucin uniforme es apropiada.
a. Determinar las ventas mximas diarias.
b. Qu porcentaje de das, las ventas excedern los 34000 litros?
Respuesta:
a. Ventas mximas = 50000 lts/da
b. P(34000<= X <= 50000)= 0.8
3. Una pequea compaa corta y vende leos (para chimeneas) cuya longitud vara
uniformemente entre 2 y 3 pies.
a. Cul es la longitud promedio de un leo.
b. Cul es la probabilidad de que cualquier leo sea mayor que 2.6 pies?
Respuesta:
a. 2.5 pies
b. 0.4
Distribucin Exponencial:
1. Supngase que un sistema contiene cierto tipo de componente cuya duracin til en aos,
est dada por la variable aleatoria T, distribuida en forma exponencial con parmetro = 5.
Si se instalan 5 de estos componentes en diferentes sistemas. Cul es la probabilidad de
que por lo menos 2 funcionen todava al trmino de 8 aos?
2. Las llamadas de emergencia durante las primeras horas de la maana del lunes siguen el
modelo exponencial, con un tiempo medio de una hora entre cada llamada.
Distribucin Normal
3.13 Bibliografa
Levin Richard I., Estadstica para Administradores, Segunda Edicin, Editorial Prentice-Hall
Hispanoamericana, Mxico, 1988.
Miller Irwin, Probabilidad y Estadstica para Ingeniera, Tercera Edicin, Editorial Prentice-
Hall, Mxico, 1987, 574 pginas.
www.strix.ciens.ucv.ve/~teorprob/guiasteoricas/index.html
Teorema de Probabilidad,
http://www.fie.us.es/~calvo/alumnos/formulario/Trabajo%20de%20Estadistica/Teorema%20p
robabilidad%20total.htm